小白：師兄，上次你講了點云拼接后，我回去費了不少時間研究，終于得到了和你給的參考結(jié)果差不多的點云，不過，這個點云“可遠觀而不可近看”，放大了看就只有一個個稀疏的點了。究竟它能干什么呢？

師兄：這個問題嘛。。?；揪秃蚐LAM的作用一樣，定位和建圖小白：定位好理解，可是師兄說建圖，這么稀疏的地圖有什么用呢？師兄：地圖分很多種，稀疏的，稠密的，還有半稀疏的等，你輸出的這個稀疏的地圖放大了看就是一個個離散的空間點，不過我們可以把它變成連續(xù)的稠密的網(wǎng)格，這個過程也叫點云的網(wǎng)格化小白：哇塞，聽起來好高大上呢，具體怎么做呢？師兄：點云網(wǎng)格化需要對點云進行一系列處理，今天我們先說說點云處理流程的第一步，叫做點云濾波

為什么要對點云濾波？

小白：濾波是什么鬼？

師兄：濾波最早來自在數(shù)字信號處理里的概念，你可以理解為是一個過濾器，是對點云的一種預(yù)處理方法

小白：哦哦，想起來中學(xué)學(xué)的濾紙，就是可以過濾掉雜質(zhì)那種師兄：哈哈，對，這個很形象了，你看下面這個圖，左側(cè)就是原來的點云，右側(cè)是經(jīng)過濾波后濾掉的“雜質(zhì)”

小白：師兄，那是所有的點云一開始都要濾波嗎？師兄：如果你的點云本來就非常好了，就不需要了。一般下面這幾種情況需要進行點云濾波處理：（1） 點云數(shù)據(jù)密度不規(guī)則需要平滑（2） 因為遮擋等問題造成離群點需要去除（3） 大量數(shù)據(jù)需要下采樣（4） 噪聲數(shù)據(jù)需要去除

小白：前三點還能勉強理解，這第四點中點云中噪聲數(shù)據(jù)從哪里來的呢？師兄：這個很多因素啦！一方面來自設(shè)備。比如我們用激光掃描儀、RGB-D相機等設(shè)備獲取點云數(shù)據(jù)時，由于設(shè)備精度，電磁波的衍射特性等都會引入噪聲的。另一方面來自環(huán)境因素帶來的影響，比如被測物體表面性質(zhì)發(fā)生變化。還有一個重要的方面就是操作者經(jīng)驗帶來的影響，比如在處理點云數(shù)據(jù)拼接配準等操作過程中引入的一些噪聲等。

小白：嗯嗯，原來噪聲數(shù)據(jù)這么容易混進來啊。那怎么去掉他們呢？或者說怎么樣濾波呢？說濾波好像顯得更專業(yè)一點哈師兄：點云中的噪聲點對后續(xù)操作的影響比較大。就像蓋房子一樣，地基有很多瑕疵，如果不加以處理最終可能會導(dǎo)致整個房子坍塌的。不過別擔(dān)心，PCL中有一個專門的點云濾波模塊，可以將噪聲點去除，還可以進行點云壓縮等操作，非常靈活實用，例如：雙邊濾波，統(tǒng)計濾波，條件濾波，隨機采樣一致性濾波等。這樣才能夠更好的進行配準，特征提取，曲面重建，可視化等后續(xù)應(yīng)用處理。小白：那太好啦，PCL都幫我們想到啦，我迫不及待的想要實踐一下啦。具體怎么操作呢？師兄：濾波模塊主要是調(diào)用一些封裝好的濾波函數(shù)，然后根據(jù)需要設(shè)定一下參數(shù)，還是很直觀的。

一般來說，濾波對應(yīng)的方案有如下幾種：（1）按照給定的規(guī)則限制過濾去除點（2） 通過常用濾波算法修改點的部分屬性（3）對數(shù)據(jù)進行下采樣

小白：哦哦，這么多函數(shù)啊，哪里有這個濾波函數(shù)大全呢？方便我需要的時候去查查用哪個的那種？

師兄：有的，PCL中關(guān)于點云濾波的所有函數(shù)都在這里：http://docs.pointclouds.org/trunk/group__filters.html下面我們舉兩個例子介紹一下，簡單的熟悉一下濾波的過程

點云下采樣

師兄：我先說一下數(shù)據(jù)下采樣吧，這個最簡單小白：師兄，能不能問下為啥要下采樣？我有強迫癥，每做一件事情前都想知道原因。。。師兄：嗯，這個不算強迫癥啦，是個好習(xí)慣！了解原因了就知道什么時候用嘛！我舉個例子，比如我們上次點云融合，一張640x480 的Depth圖，假如每個地方都有深度值，可以轉(zhuǎn)化為30萬個點組成的點云，如果有幾十張上百張圖這樣暴力融合，那這個融合的點云會越來越大，儲存、操作都是個大問題！

小白：是不是相當(dāng)于我有個大容量的樣本，我按一定的規(guī)則從里面抽取有代表性的樣本，可以代替原來的樣本，是這樣嗎？師兄：對，理解的很到位。這個下采樣PCL中有專門的類，叫做

classpcl::ApproximateVoxelGrid

它比較適合對海量的點云在處理前進行數(shù)據(jù)壓縮，就像我們上次講的點云融合后的數(shù)據(jù)那樣，而且可以在特征提取等處理中選擇合適的體素（voxel）大小等參數(shù)，提高算法效率。該函數(shù)對輸入的點云數(shù)據(jù)創(chuàng)建一個三維體素柵格，每個體素內(nèi)用體素中所有點的重心來近似顯示體素中其他點，這樣該體素內(nèi)所有點都用一個重心點最終表示。它的優(yōu)點是可以在下采樣的時候保存點云的形狀特征。看下面是它的結(jié)果，左邊是待處理的右邊是處理前，右邊是處理后

小白：看起來確實形狀保持的挺好，這個怎么編程實現(xiàn)？

師兄：其實關(guān)鍵就下面幾行代碼

pcl::VoxelGriddownSampled;//創(chuàng)建濾波對象downSampled.setInputCloud(cloud);//設(shè)置需要過濾的點云給濾波對象downSampled.setLeafSize(0.01f,0.01f,0.01f);//設(shè)置濾波時創(chuàng)建的體素體積為1cm的立方體downSampled.filter(*cloud_downSampled);//執(zhí)行濾波處理，存儲輸出

每行代碼的意義都注釋好了，應(yīng)該不難理解小白：看起來好像也不麻煩師兄；嗯，上面只是經(jīng)常用的成員函數(shù)，還有一些其他成員函數(shù)，我這里只重點介紹兩個一個是

setLeafSize(floatlx,floatly,floatlz)

setLeafSize后面的三個參數(shù)表示體素柵格葉大小，分別表示體素在XYZ方向的尺寸，以米為單位，上面就是設(shè)置為長寬高都為1cm另外一個是設(shè)置是否對所有的字段進行下采樣，成員函數(shù)為

setDownsampleAllData(booldownsample)

小白：師兄，這個字段是啥意思？師兄：哦，不好意思，忘記解釋了。我們知道點云有不同的類型，比如有的是 PointXYZ，有的是PointXYZRGB，還有其他類型，也就是一個點包含多種不同信息，比如空間位置XYZ，顏色信息RGB，或者強度信息等，如果想要對所有信息（字段）下采樣則設(shè)置為true，只對XYZ下采樣的話設(shè)置為false

如何充分了解每個類的功能?

小白：嗯，了解啦，不過我有個問題，我想要用這個下采樣類時怎么知道它有哪些函數(shù)可以用呢？師兄：這個好問題，PCL官網(wǎng)上一般都有例程，但是例程包含的成員函數(shù)是很有限的，所以如果你想要了解這個濾波模板類的所有功能，或者說內(nèi)聯(lián)成員函數(shù)的話，最好的辦法就是去官網(wǎng)查詢。我們還是以pcl::ApproximateVoxelGrid 模板類為例進行說明

第一步，登錄PCL API documentation http://docs.pointclouds.org/trunk/

第二步：在右上角搜索框內(nèi)輸入我們要查詢的模板類名稱，這里我們輸入ApproximateVoxelGrid，如下所示，會自動跳出來匹配的結(jié)果

第三步：選擇你要找的類名，點擊進入，就到了下面這個界面，列出了所有的成員變量和成員函數(shù)，點擊每個成員函數(shù)，會跳到對應(yīng)的解釋界面

你看除了我們前面提到的幾個成員函數(shù)，其實還有好幾個我們沒用到的都在這里了，需要的話可以使用啦，就是這樣簡單

小白：授人以魚不如授人以漁，謝謝師兄！以后我可以自己查函數(shù)啦

去除點云的離群點

師兄：剛才下采樣只是萬里長征第一步，下面說一下去除離群點方法。小白：等下，師兄，什么是離群點??？師兄：哦，忘了解釋這個術(shù)語了，抱歉，我簡單說一下，離群點對應(yīng)的英文是outliers，也叫外點，就是明顯偏離“群眾”的點，比如我們用激光掃描一面平坦的墻壁，正常情況下得到的應(yīng)該是差不多也位于同一個平面的點云，但是由于設(shè)備測量誤差等原因，會產(chǎn)生少量脫離群眾的空間點，離本來的墻壁過遠，我們就叫這部分點為離群點。

小白：哈哈，離群點就是脫離群眾的壞點，明白啦！不過這些點不是很少嗎？有必要趕盡殺絕嗎？師兄：“趕盡殺絕”，很形象的比喻！哈哈，還是很有必要的，因為離群點會使局部點云特征(如表面法線或曲率變化)的估計復(fù)雜化，從而導(dǎo)致錯誤的值，從而可能導(dǎo)致點云配準失敗。而且這些離群點還會隨著積累進行傳導(dǎo)，不早點消滅會有很大隱患的。

小白：原來危害這么大，那師兄趕快告訴我該怎樣消滅它們吧！師兄：好，我這里列舉兩個常用的去除離群點的類，第一個類叫做 StatisticalOutlierRemoval ，顧名思義，使用統(tǒng)計分析技術(shù)，從一個點云數(shù)據(jù)中集中移除測量噪聲點，也就是離群點啦！

小白：聽起來很高大上啊，那具體是什么統(tǒng)計分析技術(shù)呢？師兄：主要是對每個點的鄰域進行統(tǒng)計分析，剔除不符合一定標準的鄰域點。具體來說，對于每個點，我們計算它到所有相鄰點的平均距離。假設(shè)得到的分布是高斯分布，我們可以計算出一個均值 μ 和一個標準差 σ，那么這個鄰域點集中所有點與其鄰域距離大于μ + std_mul * σ 區(qū)間之外的點都可以被視為離群點，并可從點云數(shù)據(jù)中去除。std_mul 是標準差倍數(shù)的一個閾值，可以自己指定。

小白：嗯，聽起來還是挺科學(xué)的，槍打出頭鳥嘛！師兄，這個原理我懂啦，重點是怎么編程呢？師兄：這里有個示例代碼

pcl::StatisticalOutlierRemovalsor;//創(chuàng)建濾波器對象sor.setInputCloud(cloud);//設(shè)置待濾波的點云sor.setMeanK(50);//設(shè)置在進行統(tǒng)計時考慮的臨近點個數(shù)sor.setStddevMulThresh(1.0);//設(shè)置判斷是否為離群點的閥值，用來倍乘標準差，也就是上面的std_mulsor.filter(*cloud_filtered);//濾波結(jié)果存儲到cloud_filtered

小白：和前面下采樣的形式很像哎師兄：嗯，PCL都幫你寫好了，你只需要創(chuàng)建對象，設(shè)置參數(shù)就行啦。小白：師兄可以稍微解釋一下上面代碼嗎？師兄：好，這個應(yīng)該不難看懂。你看，我們先創(chuàng)建統(tǒng)計分析濾波器，然后設(shè)置濾波器輸入是 cloud，也就是我們待處理的點云，然后設(shè)置對每個點分析的臨近點的個數(shù)設(shè)置為50 ，并將標準差的倍數(shù)設(shè)置為1， 這意味著如果一個點的距離超出了平均距離加上一個標準差以上，則該點被標記為離群點，并將它移除。最后統(tǒng)計分析濾波后，輸出的結(jié)果就是cloud_filtered小白：師兄這么一解釋感覺容易理解多了，這個方法效果怎么樣？

師兄：效果還是挺不錯的，你看下圖展示了稀疏離群值分析和移除的效果:原始數(shù)據(jù)集顯示在左邊，結(jié)果集顯示在右邊。圖中紅色表示濾波前的平均k近鄰距離，綠色表示濾波后的平均k近鄰距離，可以看到毛刺明顯少了很多。

小白：嗯嗯，效果明顯，看的見！師兄：另外，還有一個比較簡單常用的方法就是根據(jù)空間點半徑范圍臨近點數(shù)量來濾波，對應(yīng)的類名是 RadiusOutlinerRemoval，這個很容易理解，它的濾波思想非常直接，就是在點云數(shù)據(jù)中，設(shè)定每個點一定半徑范圍內(nèi)周圍至少有足夠多的近鄰，不滿足就會被刪除。小白：這個半徑范圍是怎么定的？師兄：因為空間點的具體坐標都是知道的，所以我們可以很方便的計算某個點和它周圍所有點的歐氏距離，這些都是以米為單位的，可以直接指定具體的數(shù)值，對于三維建模很實用。

下圖就是該類的篩選方法。比如你指定了一個半徑d，然后指定該半徑內(nèi)至少有1個鄰居，那么下圖中只有黃色的點將從點云中刪除。如果指定了半徑內(nèi)至少有2個鄰居，那么黃色和綠色的點都將從點云中刪除。

小白：確實很直觀，編程怎么實現(xiàn)呢？師兄：編程實現(xiàn)的簡單例子在這里：

pcl::RadiusOutlierRemovalpcFilter;//創(chuàng)建濾波器對象pcFilter.setInputCloud(cloud);//設(shè)置待濾波的點云pcFilter.setRadiusSearch(0.8);//設(shè)置搜索半徑pcFilter.setMinNeighborsInRadius(2);//設(shè)置一個內(nèi)點最少的鄰居數(shù)目（見上面解釋）pcFilter.filter(*cloud_filtered);//濾波結(jié)果存儲到cloud_filtered

小白：確實用法都差不多，我按照前面師兄講的方法充分了解每個類的功能，就會用啦！師兄：嗯，今天篇幅已經(jīng)比較長了，雖然感覺才講了一點，下次我們再講網(wǎng)格化吧！小白：好，那下次再聊啦，謝謝師兄！